基于转移学习的肝移植后并发症的计算机辅助诊断
Ying Zhang1, Chenyuan Shangguan2, Xuena Zhang3
1School of Control and Computer Engineering, North China Electric Power University, Beijing, 102206, China. dearzppzpp@163.com.
Interdisciplinary sciences, computational life sciences
|October 24, 2023
概括
这项研究引入了一种新的转移学习框架,可以准确预测肝移植并发症,即使数据有限. 该方法确定了关键的预测特征,改善了计算机辅助诊断,以获得更好的患者结果.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 肝移植是肝衰竭,肝硬化和癌症的关键治疗方法.
- 术后并发症的准确预测至关重要,但由于传统机器学习模型的数据有限,因此受到挑战.
研究的目的:
- 开发用于计算机辅助诊断肝移植后并发症的先进框架.
- 通过转移学习来提高预测准确性,并识别关键影响特征.
主要方法:
- 一个新的框架,整合转移学习,以应对小规模,高维数据挑战.
- 纳入夏普利添加式解释 (SHAP) 方法用于特征解释性.
- 验证使用425名患者的数据,具有456个特征.
主要成果:
- 拟议的框架在预测术后并发症方面明显优于现有的基线方法.
- 实现了高性能指标:91.22%的平均精度,91.70%的平均回忆率,91.18%的平均F1得分.
- 成功确定了导致术后并发症的关键特征.
结论:
- 转移学习为预测肝移植并发症提供了一个强大的解决方案,数据有限.
- 该框架提供了对影响患者移植后结果的因素的准确和可解释的见解.
- 这种方法增强了计算机辅助诊断,潜在地改善了临床决策和患者护理.
